방법론7분 읽기

존재하지 않는 79만 4,000명 — Reble이 한국 인구를 대표하는 합성패널을 만든 이야기

Reble의 합성패널 79만 4,000명이 무엇으로 만들어졌고, 얼마나 믿을 만하며, 어디서 틀리는지를 숫자 몇 개와 그림 네 장으로 쉽게 설명한다. 전문 용어 없이, 음성으로도 들을 수 있다.

합성패널 한 사람 — 조건이 결합해 통계적 시민이 된다통계청 표본의 조건이 고리(뼈대)를 이루고, 모델이 추측한 조건과 규칙으로 정한 조건이 결합한다 · 화학식 모형처럼 그린 것사는 곳성별나이학력혼인직업출신소득종교정당이념미디어관심투표병역가구주거뼈대통계청 표본의실제 한 사람이것이 79만 4,000번 모이면…합성패널 794,000명238칸의 좌석표(시도 × 성별 × 연령대)에 놓인다관측 9 + 추측 5 + 규칙 3 → 통계적 시민 1명각 사람은 무게 w 로 실제 인구 몫을 대신한다관측 — 통계청 표본의 한 응답에서 함께 온 조건(실선 결합)추측 — 모델이 확률과 함께 채운 조건(점선 결합)규칙 — 성별·나이·혼인으로 정한 조건 합성패널 한 사람 — 조건이 결합해 통계적 시민이 된다고리 = 통계청 표본의 뼈대 · 점선 = 모델의 추측 · 작은 원 = 규칙사는곳성별나이학력혼인직업출신소득종교정당이념미디어관심투표병역가구주거뼈대통계청 표본의실제 한 사람이것이 79만 4,000번 모이면…합성패널 794,000명 · 238칸의 좌석표에 놓인다관측 9 + 추측 5 + 규칙 3 → 통계적 시민 1명 · 무게 w관측(통계청)추측(모델 · 확률)규칙(성별·나이·혼인)
합성패널 한 사람. 통계청 표본에서 함께 온 조건이 고리(뼈대)를 이루고, 모델이 확률과 함께 추측한 조건(점선)과 규칙으로 정한 조건이 결합해 통계적 시민 한 사람이 됩니다. 이것이 79만 4,000번 모여 합성패널이 됩니다.

Reble은 여론을 알기 위해 사람에게 전화를 걸지 않습니다. 대신 한국을 통째로 축소한 모형을 만들어 두고, 그 모형에게 묻습니다. 이 글은 그 모형이 무엇으로 만들어졌고, 얼마나 믿을 만하며, 어디서 틀리는지를 숫자 몇 개와 그림 네 장으로 설명합니다. 전문 용어는 되도록 쓰지 않았습니다.

794,000통계청 자료와 여러 자료로 만든, 한국 성인 인구를 대표하는 합성패널의 사람 수
238칸시도 17 × 남녀 × 연령대 7의 좌석표
56명모형 속 한 사람이 대신하는 실제 사람 수(평균)
1

여론조사는 왜 늘 1,000명일까

뉴스에 나오는 여론조사는 대개 전화로 1,000명에게 묻습니다. 「오차범위 ±3.1%포인트」라는 말이 따라붙습니다. 숫자만 보면 정교해 보이지만, 세 가지 벽이 있습니다.

  • 전화를 받은 100명 중 끝까지 답하는 사람은 5명쯤입니다. 그 5명이 나머지 95명을 대신한다는 보장은 없습니다.
  • 1,000명을 지역·성별·나이로 나누면 한 칸에 4명이 남습니다. 「서울 20대 남성의 생각」을 4명에게 물은 셈입니다.
  • 질문을 정하고 전화를 돌려 집계하기까지 며칠에서 일 주가 걸립니다.
2

그래서 사진 대신 모형을 만들었다

Reble은 사람을 모으는 대신 한국을 축소한 모형을 만듭니다. 재료는 통계청 인구통계와 인구주택총조사의 응답 가운데 2%, 약 85만 명분의 익명 자료입니다. 이름도 주소도 없고, 사는 곳·나이·성별·학력·직업·결혼 여부 같은 칸만 있습니다.

여기서 79만 4,000명을 만듭니다. 만드는 방법은 「조합」입니다. 먼저 통계청 표본에서 사는 곳·나이·성별·학력·직업·결혼 여부가 한 사람에게 함께 붙어 있는 실제 조합을 뼈대로 가져옵니다. 칸을 하나씩 따로 지어 붙이면 「대학원을 나온 농부, 소득 하위 20%」처럼 있을 법하지 않은 사람이 생기지만, 실제 응답의 조합을 쓰면 「고졸·기혼·사무직·서울 50대 여성」은 현실에 있는 사람입니다. 그 뼈대 위에 사회조사와 여론조사로 배운 정치 성향, 규칙으로 정한 칸을 조합해 한 사람을 완성합니다.

뼈대를 가져올 때는 전국을 작은 칸으로 나누고, 칸마다 실제 인구에 비례한 수만큼 가져옵니다. 여론조사에서 지역·성별·나이별로 응답자 수를 미리 정해 두는 「할당(quota)」과 같은 원리입니다. 아래 좌석표가 그 결과입니다.

패널 탐색기의 첫 화면 — 238칸의 격자(인원수 보기)행은 시도 17, 열은 성별 2 × 연령대 7. 칸의 숫자는 그 칸에 든 통계적 시민의 수(가중 전)이고, 진할수록 많다. 2026-11-07 화면 그대로.남성여성시도합계10대20대30대40대50대60대70세+소계10대20대30대40대50대60대70세+소계서울1,34310,20111,32410,97410,8168,5446,63759,8391,36312,22911,31911,72511,91210,0808,76067,388127,227부산5883,5793,6604,4944,8714,4793,30124,9725573,7833,6944,7025,4065,3664,51328,02152,993대구4852,7472,4813,0523,3982,6661,91716,7464002,6982,4493,3023,7772,9922,65618,27435,020인천4783,2033,5624,1914,3873,2662,12221,2095033,3333,4084,1414,5523,4132,93722,28743,496광주2721,6631,4911,9051,8921,4001,1219,7442861,7261,5501,9632,0071,5851,50110,61820,362대전2731,5371,4771,8001,8491,3189439,1972401,6381,4141,8241,8471,4901,2609,71318,910울산1871,2891,6131,8152,0871,4377259,1532101,1511,4251,8522,0441,4629319,07518,228세종603134274793662361602,041392814284783192502252,0204,061경기2,20814,18415,86318,65218,23912,8128,54590,5032,28814,06115,22918,49518,79613,30411,62893,801184,304강원2851,7761,7682,3803,0373,0172,43414,6972821,4161,5842,2392,9493,1133,50315,08629,783충북2771,8611,9262,4122,8882,6172,12414,1053271,6941,7642,2462,8492,7152,97414,56928,674충남4442,3632,8363,4783,6713,2563,20319,2513982,1292,3873,0263,5093,4534,42819,33038,581전북3531,8341,8132,6123,3053,2713,38116,5693301,7101,7362,5933,3313,4725,19318,36534,934전남3111,7101,8782,8203,9193,9954,42919,0623321,5201,7602,5873,7144,2267,09721,23640,298경북4372,5762,8993,8835,1295,2634,87225,0593912,3052,5923,6695,0855,6317,31626,98952,048경남5843,2093,6934,9965,9425,3484,17127,9435662,8683,6094,9456,0155,5656,61030,17858,121제주864255186827145134083,346884265257176885416293,6146,960전체8,67154,47059,22970,62576,51063,43850,493383,4368,60054,96856,87370,50478,80068,65872,161410,564794,000칸의 진하기← 적다 · 많다 → (가장 큰 칸 경기·여성·50대 18,796명 기준 다섯 단계)붉은 테두리 = 따로 열어 보는 칸(서울·여성·50대 11,912명)굵은 테두리 = 가장 큰 칸 경기·여성·50대 18,796명점선 테두리 = 가장 작은 칸 세종·여성·10대 39명10대는 18~19세만 · 「가중치」 보기로 바꾸면 같은 칸이 실제 인구 몫(합계 794,000은 같다)으로 바뀐다. 패널 탐색기의 첫 화면 — 238칸의 격자행 시도 17 · 열 성별 2 × 연령대 7 · 진할수록 많다(가중 전)남성여성합계10203040506070+10203040506070+서울13만부산5.3만대구3.5만인천4.3만광주2.0만대전1.9만울산1.8만세종4,061경기18만강원3.0만충북2.9만충남3.9만전북3.5만전남4.0만경북5.2만경남5.8만제주6,960전체794,000적다 → 많다 · 붉은 테두리 = 따로 열어 보는 칸굵은 테두리 = 가장 큰 칸 경기·여성·50대 18,796명점선 테두리 = 가장 작은 칸 세종·여성·10대 39명칸의 숫자와 소계는 데스크톱 그림에 있다 · 10대는 18~19세만
그림 1. 모형의 좌석표. 17개 시도 × 남녀 × 7개 연령대 = 238칸. 칸의 숫자는 그 칸에 앉은 사람 수이고 진할수록 많습니다. 굵은 테두리가 가장 큰 칸인 경기 50대 여성 18,796명, 점선 테두리가 가장 작은 칸인 세종 10대 여성 39명입니다. 400배가 넘는 차이는 인구 그대로입니다(10대는 18~19세뿐입니다). 붉은 테두리 칸을 그림 3에서 엽니다.
3

한 사람은 어떻게 생겼나

좌석표의 한 칸을 열고 그 안의 한 사람을 꺼내 보면 24칸짜리 기록이 나옵니다. 칸은 세 가지 색으로 나뉩니다.

  • 통계청에서 그대로 온 칸 — 사는 곳, 성별, 나이, 학력, 결혼 여부, 직업, 소득, 출신 지역, 종교. 모두 표본의 한 응답에서 함께 왔습니다.
  • 모델이 추측한 칸 — 지지하는 정당, 이념, 많이 보는 매체, 정치에 대한 관심, 투표할 생각. 옆에 「이 추측에 얼마나 자신 있나」가 0에서 1 사이 숫자로 붙어 있습니다.
  • 규칙으로 정한 칸 — 가구 구성, 주거 형태, 병역. 표본에 없어서 성별·나이·결혼 여부로 정합니다.
한 사람을 열면 — KR-V2-002515서울 종로구 · 여성 · 54세 · 실존 인물이 아니다 — 네 묶음 24칸, 칸마다 어디서 왔는지가 붙어 있다 (2026-11-07 기본 시점 2026년 10월 3주)A관측 — 통계청 2020 인구주택총조사 2% 표본(익명 연구용)의 한 응답에서 그대로거주지서울A시도 코드 (시군구 종로구는 명단과 지역 탭에)성별여성A연령54세A만 나이연령대50대A연령에서 파생학력고졸A교육정도 × 수학구분 코드혼인상태기혼A직업사무직A직업대분류(KSCO 1자리)소득분위3분위A가구소득 → 5분위 (가계조사 보강 필요 표시)출신지역서울A출생지AC참조 · 규칙 — 표본에 있으면 그대로, 없으면 성별·연령·혼인·시도로 정한 규칙종교천주교A표본의 종교 항목주거형태전세C규칙: 시도 · 연령 · 혼인가구구성부부+자녀C규칙: 성별 · 연령 · 혼인병역해당없음C규칙: 성별 · 연령B예측 — 사회조사 6종 11,476명을 학습한 모델이 위 칸들로 추정, 확률이 따라붙는다정치이념점수+0.004B−1 진보 ~ +1 보수 · R² 0.089 · 선관위 결과로 분포 보정이념라벨중도B점수를 구간으로 나눔지지정당무당층B확률 0.32 · 정확도 48.2% · 최근 조사로 시점 보정주이용미디어유튜브B확률 0.41 · 정확도 68.9% · 방통위 2025 보정뉴스소비채널유튜브뉴스B미디어에서 규칙으로 파생(아직 미학습)정치관심도낮음B확률 0.72 · 정확도 60.1%투표의향있음B확률 0.73 · 정확도 81.2% · 실제 투표율로 보정메계산 — 이 사람이 전체 안에서 갖는 몫weight1.116메무게 = 실제 인구 몫 ÷ 패널 몫 (행안부 주민등록 기준)cell_pop_share1.67%메서울·여성·50대 칸이 실제 18세 이상 인구에서 차지하는 몫cell_panel_share1.50%메같은 칸이 794,000명 안에서 차지하는 몫mdis_source_id299메표본의 원래 행 번호 — 되짚어 볼 때만 쓴다번호(KR-V2-…)는 합성 식별자다 · 확률은 모델이 그 값을 고른 확신의 크기로, 예측 칸은 이 값을 끝까지 들고 간다 · 시점이 바뀌면 B칸만 움직이고 A·C칸은 고정이다 한 사람을 열면 — KR-V2-002515서울 종로구 · 여성 · 54세 · 실존 인물이 아니다네 묶음 24칸 · A 관측 · C 규칙 · B 예측(확률) · 메 계산관측 — 통계청 2020 표본의 한 응답거주지서울A성별여성A연령54세A연령대50대A학력고졸A혼인상태기혼A직업사무직A소득분위3분위A출신지역서울A참조 · 규칙 — 표본 또는 규칙종교천주교A주거형태전세C가구구성부부+자녀C병역해당없음C예측 — 사회조사 11,476명 학습 모델정치이념점수+0.004B이념라벨중도B지지정당무당층확률 0.32B주이용미디어유튜브확률 0.41B뉴스소비채널유튜브뉴스B정치관심도낮음확률 0.72B투표의향있음확률 0.73B계산 — 전체 안의 몫weight1.116메cell_pop_share1.67%메cell_panel_share1.50%메mdis_source_id299메칸마다 붙은 출처 설명은 데스크톱 그림과 본문 표에 있다.
그림 2. 모형 속 한 사람, KR-V2-002515. 서울 종로구에 사는 54세 고졸 기혼 사무직 여성입니다. 위 아홉 칸은 통계청 표본의 한 응답에서 함께 왔고, 가운데 일곱 칸은 모델의 추측(확률이 붙어 있습니다), 아래 네 칸은 계산값입니다.
4

정치 성향은 어떻게 채웠나 — 그리고 왜 한 사람 단위로는 믿지 않나

통계청 자료에는 정치가 없습니다. 어느 당을 지지하는지, 진보인지 보수인지는 물어보지 않으니까요. 그래서 대학 연구소가 모아 둔 사회조사, 11,476명의 응답과 시계열별로 진행된 여론조사 데이터로 배운 모델이 사는 곳·나이·학력·직업을 보고 추측합니다.

그 추측은 어느 정도일까요. 인구 정보만으로 한 사람의 지지 정당을 맞힐 확률은 48%입니다. 동전 던지기보다 조금 나은 정도입니다. 그래서 Reble은 한 사람의 답을 쓰지 않습니다. 대신 한 칸, 그러니까 한 동네 수천 명의 비율만 씁니다. 틀린 추측이 서로 상쇄되기 때문에 비율은 한 사람의 답보다 훨씬 믿을 만합니다.

한 칸을 열면 — 서울 · 여성 · 50대11,912명 · 칸의 무게 1.116 = 실제 인구 몫 1.67% ÷ 패널 몫 1.50% · 아래 분포는 가중 전 · 등급 A 관측 · B 예측 · C 규칙학력A고졸46.5%대졸27.0%전문대졸8.9%중졸8.8%대학원졸6.7%초졸1.5%대학원재학0.6%직업A무직45.5%서비스23.7%사무직13.4%전문직11.4%생산직5.5%경영관리0.5%농림어업0.0%소득분위A1분위30.3%2분위23.0%3분위20.8%4분위15.5%5분위10.4%혼인상태A기혼74.7%이혼/별거13.3%미혼6.9%사별5.0%가구구성C부부+자녀55.9%1인가구11.6%부부11.3%부부+자녀+부모7.5%기타7.2%한부모+자녀3.7%형제자매2.8%이념라벨B중도43.4%중도보수18.0%중도진보16.3%진보11.2%보수11.0%지지정당B국민의힘25.4%더불어민주당23.6%무당층20.7%조국혁신당14.5%기타8.5%정의당3.2%개혁신당2.7%… 외 2주이용미디어BTV38.1%유튜브30.6%네이버14.9%카카오톡11.4%SNS3.0%신문1.4%라디오0.5%정치관심도B낮음87.6%높음12.4%투표의향B있음88.0%없음12.0%그 아래로 이 칸의 명단이 50명씩 이어진다 — 이름은 없고 번호뿐이다 (도표 3은 네 번째 줄을 연다)번호연령학력직업출신지이념지지정당미디어무게KR-V2-00251255대졸무직울산중도국민의힘유튜브1.116KR-V2-00251353대졸사무직서울진보기타유튜브1.116KR-V2-00251453대졸서비스서울중도진보조국혁신당네이버1.116KR-V2-00251554고졸사무직서울중도무당층유튜브1.116KR-V2-00251655대졸서비스충남중도국민의힘카카오톡1.116… 상위 50명만 보이고, 이 칸에는 모두 11,912명 · 「이 칸에 설문」 단추로 이 칸만 골라 물을 수 있다 한 칸을 열면 — 서울 · 여성 · 50대11,912명 · 무게 1.116 = 실제 몫 1.67% ÷ 패널 몫 1.50%분포는 가중 전 · A 관측 · B 예측 · C 규칙학력A고졸46.5%대졸27.0%전문대졸8.9%중졸8.8%대학원졸6.7%초졸1.5%대학원재학0.6%직업A무직45.5%서비스23.7%사무직13.4%전문직11.4%생산직5.5%경영관리0.5%농림어업0.0%소득분위A1분위30.3%2분위23.0%3분위20.8%4분위15.5%5분위10.4%혼인상태A기혼74.7%이혼/별거13.3%미혼6.9%사별5.0%가구구성C부부+자녀55.9%1인가구11.6%부부11.3%부부+자녀+부모7.5%기타7.2%한부모+자녀3.7%형제자매2.8%이념라벨B중도43.4%중도보수18.0%중도진보16.3%진보11.2%보수11.0%지지정당B국민의힘25.4%더불어민주당23.6%무당층20.7%조국혁신당14.5%기타8.5%정의당3.2%개혁신당2.7%… 외 2주이용미디어BTV38.1%유튜브30.6%네이버14.9%카카오톡11.4%SNS3.0%신문1.4%라디오0.5%정치관심도B낮음87.6%높음12.4%투표의향B있음88.0%없음12.0%그 아래로 이 칸의 명단 11,912명이 50명씩 이어진다 (이름 없이 번호만).도표 3은 그중 한 명(KR-V2-002515)을 연다.
그림 3. 서울 50대 여성 칸 11,912명의 비율. 고졸 46.5%, 기혼 74.7%처럼 통계청에서 온 비율(A)과, 국민의힘 25.4% · 더불어민주당 23.6% · 무당층 20.7%처럼 모델이 추측한 비율(B)이 함께 보입니다. 이 비율은 쓸 만하지만, 그중 한 사람이 누구를 지지하는지는 모릅니다.
5

한 사람의 무게

모형은 79만 4,000명인데 18세 이상 한국인은 4,450만 명입니다. 그래서 모형 속 한 사람은 평균 56명 몫입니다.

그런데 표본은 2020년 것이고 실제 인구는 2026년 것입니다. 그 사이 사람들은 이사했고 나이를 먹었습니다. 이 차이를 맞추는 방법이 「무게」입니다. 실제보다 많이 뽑힌 칸의 사람은 1명보다 가볍게, 적게 뽑힌 칸의 사람은 1명보다 무겁게 셉니다. 사람을 지우거나 복제하지는 않습니다. 지우면 그 사람이 가진 학력·직업·결혼의 조합이 함께 사라지기 때문입니다.

무게 — 격자의 인원(가중 전)과 실제 인구 몫(가중 후), 시도별행마다 위 막대는 칸에 든 수, 아래 막대는 「가중치」 보기의 값(행안부 주민등록 18세 이상 44,509,019명의 몫으로 바꾼 수). 두 합은 모두 794,000.가중 전 (칸에 든 수)가중 후 (실제 인구 몫)경기184,304 → 210,641 (+14%)서울127,227 → 147,861 (+16%)부산52,993 → 50,977 (-4%)경남58,121 → 49,457 (-15%)인천43,496 → 47,244 (+9%)경북52,048 → 39,282 (-25%)대구35,020 → 36,546 (+4%)충남38,581 → 33,008 (-14%)전남40,298 → 27,787 (-31%)전북34,934 → 26,922 (-23%)충북28,674 → 24,838 (-13%)강원29,783 → 23,701 (-20%)대전18,910 → 22,294 (+18%)광주20,362 → 21,223 (+4%)울산18,228 → 16,668 (-9%)제주6,960 → 10,047 (+44%)세종4,061 → 5,503 (+36%)칸 하나의 무게(238칸)무게 = 실제 인구 몫 ÷ 패널 몫0.51.01.52.00.522.091.116가장 가벼운 칸 0.52 — 전남·여성·70세이상(7,097명이 3,721명 몫)가장 무거운 칸 2.09 — 세종·여성·10대(39명이 82명 몫)도표 2의 칸 1.116 — 서울·여성·50대최대 ÷ 최소 3.99배 · Kish 설계효과 1.044실효 표본 794,000 ÷ 1.044 = 760,536명한 사람 = 평균 56.1명 몫(44,509,019 ÷ 794,000)행은 가중 후 큰 순서. 행을 복제하거나 지우지 않고 무게만 바꾼다 — 그래서 사람 수는 그대로 794,000명이다. 무게 — 가중 전 · 가중 후, 시도별위 막대 칸에 든 수 · 아래 막대 실제 인구 몫(18세 이상 4451만명 기준)가중 전가중 후경기18만→21만 +14%서울13만→15만 +16%부산5.3만→5.1만 -4%경남5.8만→4.9만 -15%인천4.3만→4.7만 +9%경북5.2만→3.9만 -25%대구3.5만→3.7만 +4%충남3.9만→3.3만 -14%전남4.0만→2.8만 -31%전북3.5만→2.7만 -23%충북2.9만→2.5만 -13%강원3.0만→2.4만 -20%대전1.9만→2.2만 +18%광주2.0만→2.1만 +4%울산1.8만→1.7만 -9%제주6,960→1.0만 +44%세종4,061→5,503 +36%칸 하나의 무게 (238칸)0.51.01.52.00.522.091.120.52 전남·여성·70세이상 · 2.09 세종·여성·10대 · 1.12 서울·여성·50대최대÷최소 3.99배 · Kish 설계효과 1.044 · 실효 표본 760,536명한 사람 = 평균 56.1명 몫 (44,509,019 ÷ 794,000)
그림 4. 시도별로 뽑힌 수(위)와 실제 인구 몫(아래). 전남 70대 여성 한 사람은 0.5명 몫, 세종 10대 여성 한 사람은 2.1명 몫으로 셉니다. 무게를 다 더하면 그대로 79만 4,000입니다.
6

시간이 흐르면 모형도 바뀐다

정치는 바뀝니다. 2025년에는 정권이 바뀌었습니다. 그래서 모형의 정치 칸은 최신 여론조사와 선거 결과에 맞춰 다시 맞춥니다. 사는 곳과 나이 칸은 그대로 둡니다.

극장에 빗대면 이렇습니다. 관객은 그대로 앉아 있고, 손에 든 표만 바뀝니다. 처음에는 모두의 표를 걷어서 전국 비율대로 새로 나눠 줬습니다. 그러자 호남과 영남이, 20대와 70대가 똑같은 극장이 됐습니다. 전국 합계는 맞는데 구조가 죽은 것입니다. 지금은 자기 구역 안에서, 꼭 필요한 사람의 표만 바꿉니다.

지금까지 이런 시점이 열네 개 있습니다. 그중 선거 개표 세 번(2024년 총선, 2025년 대선, 2026년 지방선거)은 오차가 없는 정답지이고, 나머지는 여론조사입니다.

7

이것은 여론조사가 아니다 — 예측하고, 조건을 바꿔 돌려 본다

여론조사는 「지금 사람들이 무엇이라고 답하는가」를 찍은 사진입니다. 합성패널은 사진을 찍는 도구가 아니라 「이런 조건이면 어떻게 되는가」를 돌려 보는 모형입니다. 그래서 할 수 있는 일이 다릅니다.

  • 예측 — 선거처럼 답이 나오는 일을 미리 예측하고, 나중에 개표로 채점받습니다. 2026년 지방선거 12곳의 당선자 예측이 그렇게 공개됐고, 8곳이 맞았습니다.
  • 시뮬레이션 — 아직 일어나지 않은 상황을 조건을 바꿔 가며 돌려 봅니다. 2026년 8월 민주당 당대표 선거에서는 권리당원을 본뜬 합성패널 4,433명에게 남은 지역을 투표시키고, 투표율·연령 구성·2순위 표의 이동 같은 조건을 바꿔 가며 수천 번씩 돌려 각 후보의 승리 조건을 읽었습니다. 결과는 당선자 적중, 최종 득표율은 1.2%포인트 차이였습니다.
  • 「누구를 움직이면 결과가 바뀌나」 — 특정 연령이나 성별의 마음이 5%포인트 움직이면 결과가 어떻게 달라지는지도 같은 모형에서 바로 볼 수 있습니다. 사람에게 묻는 조사로는 할 수 없는 질문입니다.
  • 그래도 여론조사는 아닙니다 — 이 사람들은 존재하지 않고, 뼈대는 2020년 자료이며, 채점은 만든 사람이 했습니다. 그래서 Reble은 「승률 50.5%」 같은 한 숫자 대신 범위와 오차를 함께 말하고, 틀린 곳은 틀렸다고 적습니다.
끝

정리하면

합성패널은 진짜 유권자를 그대로 닮은 통계적 유권자 모델입니다. 인구총조사에서 나이·성별·지역 같은 실제 분포를 가져와 그 분포에 맞는 통계적 시민을 만든 것으로, 실존 인물이 아니라 통계로 빚은 인형에 가깝습니다. Reble에는 이런 합성패널이 79만 4,000명 있고, 이들에게 확률로 답하게 해 실제로 투표를 시켜 보는 것이 시뮬레이션입니다. 하는 일은 둘입니다. 실제 결과를 미리 맞히는 것, 그리고 조건을 바꿔 가며 「이렇게 되면 어떻게 될까」를 실험해 보는 것입니다.

더 읽기